利用均方误差相对变化规律确定正则化参数及其在PolInSAR测量反演中的应用

正则化方法是大地测量解算病态问题的常用方法,而正则化参数是影响正则化方法解算结果的关键参数。以均方误差最小为准则选取正则化参数,具有较充分的理论依据,可有效实现模型参数估值精度的提升。但是,均方误差计算过程中需要未知参数的真值,在实际情形中只能通过参数估值替代真值估算均方误差,难以获得可靠准确的均方误差值,限制了正则化参数的有效性。鉴于此,本文分析了正则化参数变化引起的方差与偏差变化规律,提出了一种均方误差相对变化值确定方法。依据不同正则化参数下模型参数真值不变原则,计算不同正则化参数下的方差与偏差相对变化量,从而消除参数真值对均方误差估计的影响。本文首先利用不同正则化参数计算两相邻正则化参数间的方差与标准差相对变化量;然后计算两正则化参数间模型参数估值变化量,通过差分运算分析得到两相邻正则化参数下的偏差相对变化量;最后综合标准差变化与偏差变化关系,得到均方误差最大降幅的正则化参数。通过PolInSAR植被高测量试验对本文方法的可行性进行了验证。试验表明,本文方法可有效改善正则化法模型参数估计精度。两个PolInSAR测量试验模型参数反演精度均得到了提高,合理验证了本文方法的可行性与有效性。

基于均方误差修正的渗碳12CrNi3钢疲劳强度预测模型

为对渗碳12CrNi_(3)合金钢提供一种安全可靠的高周疲劳强度预测方法,本文利用高频疲劳测试机,在10^(4)~10^(8)循环周次内对渗碳12CrNi_(3)合金钢疲劳试样开展应力比为-1的高周疲劳实验。采用灰色估计法对渗碳12CrNi_(3)钢疲劳数据的威布尔W(α,β,γ)参数进行评估,并通过估算的威布尔参数,进一步确定渗碳12CrNi_(3)合金钢强度预测模型的参数。考虑应力-寿命关系,结合疲劳数据的威布尔分布规律,建立了失效概率为1%时的渗碳12CrNi_(3)合金钢高周疲劳强度预测模型。从预测疲劳强度安全可靠性出发,通过均方误差(MSE)方法对模型进行修正,并将修正后模型99%MSE下界线与渗碳12CrNi_(3)合金钢疲劳寿命P-S-N曲线(不同存活率P的S-N曲线)进行对比,研究发现12CrNi_(3)合金钢疲劳寿命数据点均位于模型99%MSE下界线内,预测结果很好。研究表明,在以渗碳12CrNi_(3)合金钢为材料,加载方式为拉压条件下的实际工程中,修正后模型99%MSE下界线可以更安全地作为构件可靠性设计的下界。

基于最小均方误差对数谱幅度估计的心音降噪算法

将基于最小均方误差对数谱幅度估计的语音增强算法用在心音降噪中,该方法基于统计模型方法将降噪归于统计框架中,通过对带噪心音信号进行最优幅度谱估计,最小化估计心音与干净心音的差异来去除噪声,恢复原始的信号。实验结果表明,本文算法有效改善了心音信号的时频特征,并在后续的心音分类算法中获得了更高的准确率。本文方法在心音降噪中表现优秀,对电子听诊器、心脏病自动检测技术的发展具有重要意义。

基于均方误差的多目标概率假设密度滤波器

在噪声、杂波和漏检等因素干扰的目标跟踪下,标准概率假设密度滤波器的目标状态估计精度及其计算效率低,难以满足目标跟踪系统的要求。文章提出一种基于均方误差的多目标概率假设密度滤波器,主要包括目标量测和杂波划分以及目标分量选择与更新策略。目标量测和杂波划分策略识别源于真实目标的量测以构建目标量测集;目标分量选择与更新策略通过似然函数和卡尔曼增益选择和更新目标。结果表明,相对复杂跟踪场景下本文算法不仅具有较高的目标状态估计精度,而且具有相对较高的计算效率。

采用归一化最小均方误差准则的LM-BP算法

传统神经网络通常以最小均方误差(LMS)或最小二乘(RLS)为收敛准则,而在自适应均衡等一些应用中,使用归一化最小均方误差(NLMS)准则可以使神经网络性能更加优越。本文在NLMS准则基础上,提出了一种以Levenberg-Marquardt(LM)训练的神经网络收敛算法。通过将神经网络的误差函数归一化,然后采用LM算法作为训练算法,实现了神经网络的快速收敛。理论分析和实验仿真表明,与采用最速下降法的NLMS准则和采用LM算法的LMS准则相比,本文算法收敛速度快,归一化均方误差更小,应用于神经网络水印系统中实现了水印信息的盲提取,能更好的抵抗噪声、低通滤波和重量化等攻击,性能平均提高了4%。

基于核的最小均方误差改进算法及其应用

传统基于核的最小均方误差(KMSE)算法在进行人脸识别时,需要求解多个方程,计算量较大。为此,提出一种用于多类识别的基于核的多元最小均方误差(KMSEMC)算法,该算法只需一个方程即可。在AR人脸库上的实验及数据分析表明,该算法在时间复杂度和识别率等方面计算量较小,在识别性能和计算时间上都优于同类传统算法。

半相依回归模型两步估计的均方误差占优性

一般得到了两方程相依回归模型的任一线性估计在均方误差准则下优于最小二乘估计的充要条件,据此提出一种新的广义非限定两步估计类(非线性),推导得到了这种两步估计的精确均方误差结果,研究了它优于最小二乘估计,甚至优于Zellner估计的统计性质.

基于最小均方误差的圆弧分段曲线拟合方法

提出了一种基于最小均方误差准则的圆弧分段曲线拟合方法。该方法采用自适应高斯滤波器对原始曲线进行平滑处理以消除噪声影响 ,并提出了一种适合于圆弧曲线拟合的分段算法。在该算法的基础上根据最小均方误差准则 ,以圆弧作为基元对曲线进行拟合。实验结果表明 ,该方法能够较好地消除噪声影响并保留曲线的局部特征。

最小均方误差判决和自适应判决反馈均衡器的设计实现

介绍了基于 FIR和 IIR的采用最小均方误差 (MMSE)算法的判决反馈均衡器 ,针对该算法的缺点提出了两种采用自适应算法的判决反馈均衡器 :LMS算法和 CMA算法 ,对这些算法的仿真表明了各自的性能和优缺点 ,在此基础上提出了一种改进的混合算法 .仿真表明 ,该算法只需要少量的训练序列 ,性能比 CMA算法有明显的改进 .

均方误差意义下正则化解优于最小二乘解的条件

利用矩阵理论导出了均方误差意义下正则化解优于最小二乘解的条件 ,构造了相应的检验统计量 。

不等式约束M估计的均方误差矩阵和解的改善条件

缺少精确先验时,不等式约束可改善参数估计。针对不等式约束M估计,利用巴哈杜尔线性化原理和凝聚函数方法导出参数估计、残差向量以及观测量平差量线性表达式,进一步导出相应的方差协方差矩阵和均方误差矩阵。线性表达式说明不等式约束M估计通常情况下是有偏的;均方误差矩阵公式表明不等式约束M估计解有可能改善,条件是最大不等式绝对值小于所导出的阈值,阈值由M估计的第一、第二多余参数和与不等式约束有关的多余参数确定。针对正态分布和p范分布确定了Lp估计改善解的具体条件。所导出的公式和结论可用于统计分析和不等式设计。

采用最小均方误差筛选参数的Hough变换及应用

为了在含有大量噪声的图像中精确地检测形状,提出了采用最小均方误差筛选参数的Hough变换方法:首先采用Hough变换投票得到参数空间上的投票值,然后初步筛选出所有投票值大于投票阈值的参数,再分别计算这些参数对应图像在边界图像中的均方误差,最后选择其中均方误差最小的一组参数作为最后的检测结果.将该方法与取最大投票值的Hough变换分别应用于虹膜外边缘定位并相互比较,实验结果表明,该方法抗噪声能力更强,适用范围更大,得到的结果更加合理.

改进的变步长最小均方误差电子耳蜗语音增强算法

针对外部强噪声环境下电子耳蜗语音质量受损、适应性差等问题,提出了基于谱减法和变步长最小均方误差(LMS)自适应滤波算法联合去噪的改进方法,并以该方法构建了一个电子耳蜗前端语音预处理系统。利用变步长LMS自适应滤波算法输出误差的平方项来调节步长,采用步长值固定与变化相结合的方法,解决了自适应滤波算法收敛速度慢、稳态误差大的问题,适应性得到提高,提高了语音信号通信质量。该系统以TMS320VC5416和音频编解码芯片TLV320AIC23B为核心,通过多通道缓冲串口(McBSP)和串行外设接口(SPI)实现了语音数据的高速采集和实时处理。实验仿真和测试结果表明该算法消除噪声性能好,信噪比在低输入信噪比情况下提高约10 d B,语音质量感知评价(PESQ)分值也得到较大提高,能有效提高语音信号质量,且该系统性能稳定,能进一步提高耳蜗前端语音的清晰度和可懂度。

改进最小均方误差估计的煤尘图像去噪

煤尘图像在采集和传输过程中受到了各种噪声的污染。最小均方误差估计(MMSE)去噪算法对高斯噪声有较好的去噪效果,提出了一种改进的最小均方误差估计(IMMSE)去噪算法,该算法改进了广义高斯分布模型的参数估计方法,相比目前的其他算法,在不降低精度的情况下减少了计算量。中值滤波对脉冲噪声有较好的去噪效果,用自适应中值滤波(AM)代替普通的中值滤波,更好的保留了图像的细节,提高了去噪效果。利用IMMSE和AM自在图像去噪方面的优势,将两者有机地结合起来,提出了一种称之为IMMSE-AM的去噪算法。用IMMSE-AM对真实煤尘图像进行去噪处理,实验结果表明,新算法提高了煤尘图像的去噪效果,并且计算量较小,能够满足对煤尘浓度实时测量的要求。

多小区广播干扰信道的加权均方误差最小化收发机设计算法

未来的第五代无线网络中,由于干扰问题的存在,阻碍了网络性能的提升,尤其是对于小区边缘的用户,其通信质量的需求不能得到满足。本文研究了基于加权均方误差优化的多小区多用户广播干扰信道的收发机算法设计。针对所需求解的优化问题,首先利用分层预编码的方法提出了一种广义干扰对齐的方案,然后提出了一种最小化加权均方误差的交替优化算法。所提算法的收敛性可以由单调有界理论保证。仿真结果表明:与传统的方案相比,所提方案可以有效的消除干扰,并且有效的提升系统的和速率性能。

基于最小均方误差的认知雷达估计波形设计方法

针对认知雷达在感知目标时,目标的散射特性可能是随机分布的,且雷达刚开机往往并不具备目标的相关信息,提出了一种基于最小均方误差(MMSE)准则的认知雷达估计波形设计方法。该方法首先构造观测数据和估计子的联合矩阵,接着通过最小后验期望损失估计公式求取估计子的估计值,然后计算估计值的均方误差(MSE),最后根据最小均方误差(MMSE)准则优化波形。仿真结果表明,通过该方法优化的波形,在估计性能上相对于传统的LFM信号具有明显的优势。

均方误差准则下的几乎无偏Stein岭型主成分估计的优良性

将Stein岭型主成分估计利用几乎无偏估计思想进行优化,得到几乎无偏Stein岭型主成分估计.并考虑均方误差准则,得到了几乎无偏Stein岭型主成分估计优于最小二乘估计、Stein岭型主成分估计的充分条件.并通过数值实验证明在给定k或p时,几乎无偏Stein岭型主成分估计的均方误差与Stein岭型主成分估计的均方误差较为接近,且远大于最小二乘估计的均方误差.

基于线性最小均方误差估计的SAR图像降噪

针对合成孔径雷达(synthetic aperture radar,SAR)图像降噪过程中容易引起细节纹理信息损失的问题,该文结合SAR图像相干斑噪声的统计特性,提出了一种基于变换域系数线性最小均方误差(linear minimum mean-square error,LMMSE)估计的SAR图像降噪方法。首先通过SAR场景下的Kmeans聚类算法将相似图像块聚类;然后针对每一类相似图像块集合进行奇异值分解(singular value decomposition,SVD),得到同时包含图像块集合行列相关信息的含噪奇异值系数;为从含噪奇异值系数中更准确地估计出真实图像奇异值的系数,先通过加性独立信号噪声(additive signal-dependent noise,ASDN)模型将乘性噪声转化为加性噪声,再利用LMMSE准则对奇异值系数进行估计,最后将估计结果重构得到降噪后的图像块集合。实验结果表明,该方法充分利用相似图像块集合奇异值系数稀疏的特性,采用LMMSE准则估计奇异值系数,既保证了系数中噪声分量的去除又避免了图像纹理细节对应小系数的丢失,不仅去噪效果明显,同时能有效地保持图像纹理细节,具有良好的图像视觉效果。

γ约束均方误差下的无线信道加密方法

无线信道的开放性和电磁信号的广播特性对无线通信系统的安全提出了极大挑战.无线信道引入的安全问题还需要从无线信道本身加以根本解决.现有基于无线信道的物理层安全方法大多利用了多天线带来的空间冗余,无法应用于单天线点对点的场景.为此,本文首先提出了γ约束均方误差的概念,通过放宽授权用户的最佳线性接收条件在发送端引入预编码权值的冗余.在此基础上将物理层安全问题转变为发送信号随机化问题,并给出了具体分析和相应的理论推导.然后利用无线信道特征的短期可逆性、快速去相关性提出一种全新的物理层加密方法.分析和仿真结果表明,该方法在保证授权用户无条件正常接收的同时大大降低了信号被非法用户截获的概率.

LMS算法中稳态均方误差的研究

该文详细讨论了ＬＭＳ算法中输入信号相关性、加权数目和稳态均方误差的关系。通过公式推导，从理论上证明了增加加权数目并不能保证减小稳态均方误差。对于具体的输入信号，存在一个最佳（或准最佳）的加权数目，使稳态均方误差最小，再增加权数目，稳态均方误差有增大的可能。该文以强相关的直流信号和弱相关的正弦信号分别作为自适应滤波器的输入信号进行了计算机仿真实验，实验结果与公式推导结果一致。该理论为自适应滤波器设计时阶数的选择提供了理论指导。